論文の概要: Collocation-based Robust Physics Informed Neural Networks for time-dependent simulations of pollution propagation under thermal inversion conditions on Spitsbergen
- arxiv url: http://arxiv.org/abs/2604.23003v1
- Date: Fri, 24 Apr 2026 20:48:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.09466
- Title: Collocation-based Robust Physics Informed Neural Networks for time-dependent simulations of pollution propagation under thermal inversion conditions on Spitsbergen
- Title（参考訳）: コロケーションに基づくロバスト物理インフォームドニューラルネットワークによるスピッツベルゲンの熱反転条件下における汚染伝播の時間依存性シミュレーション
- Authors: Leszek Siwik, Maciej Sikora, Natalia Leszczyńska, Tomasz Maciej Ciesielski, Eirik Valseth, Manuela Bastidas Olivares, Marcin Łoś, Tomasz Służalec, Jacek Leszczyński, Maciej Paszyński,
- Abstract要約: 提案手法を用いて, 熱インバージョンが汚染物質蓄積に及ぼす影響を解析した。
その結果, 熱的逆転は地表面付近の密集気団と湿潤気団をトラップし, 粒子状物質(PM)濃度を著しく高め, 局所空気質を悪化させることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a Physics-Informed Neural Network framework for time-dependent simulations of pollution propagation originating from moving emission sources. We formulate a robust variational framework for the time-dependent advection-diffusion problem and establish the boundedness and inf-sup stability of the corresponding discrete weak formulation. Based on this mathematical foundation, we construct a robust loss function that is directly related to the true approximation error, defined as the difference between the neural network approximation and the (unknown) exact solution. Additionally, a collocation-based strategy is introduced to speed up neural network training. As a case study, we investigate pollution propagation caused by snowmobile traffic in Longyearbyen, Spitsbergen, supported by detailed in-field measurements collected using dedicated sensors. The proposed framework is applied to analyze the effects of thermal inversion on pollutant accumulation. Our results demonstrate that thermal inversion traps dense and humid air masses near the ground, significantly enhancing particulate matter (PM) concentration and worsening local air quality.
- Abstract（参考訳）: 本稿では,移動放出源から発生する汚染伝播の時間依存シミュレーションのための物理情報ニューラルネットワークフレームワークを提案する。
時間依存的対流拡散問題に対するロバストな変動の枠組みを定式化し、対応する離散的弱定式化の有界性とInf-sup安定性を確立する。
この数学的基礎に基づいて、ニューラルネットワーク近似と(未知の)正確な解との差として定義される真の近似誤差に直接関係するロバストな損失関数を構築する。
さらに、ニューラルネットワークトレーニングを高速化するためのコロケーションベースの戦略も導入されている。
ケーススタディとして,スノーモービルにおけるスノーモービル交通による汚染の伝播を,専用センサを用いて収集した詳細なフィールド内測定により調査した。
提案手法を用いて, 熱インバージョンが汚染物質蓄積に及ぼす影響を解析した。
その結果, 熱的逆転は地表面付近の密集気団と湿潤気団をトラップし, 粒子状物質(PM)濃度を著しく高め, 局所空気質を悪化させることがわかった。
関連論文リスト
- Generative modeling of granular flow on inclined planes using conditional flow matching [4.880426970438706]
本研究では,スパース境界観測から粒界再構成を行うための第1条件流整合フレームワークを提案する。
物理デコーダは、再構成された速度場を応力状態とエネルギー変動量にマッピングする。
その結果, 条件付き生成モデリングは, 粒状媒体に隠されたバルク力学を非侵襲的に推定する実用的な方法であることがわかった。
論文 参考訳（メタデータ） (2026-04-06T05:59:54Z) - Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。
我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
論文 参考訳（メタデータ） (2025-12-05T07:05:53Z) - Physics-Guided Inductive Spatiotemporal Kriging for PM2.5 with Satellite Gradient Constraints [15.082346657646902]
微粒子の高分解能マッピング (PM2.5) は持続可能な都市化の基盤であるが, 地中モニタリングネットワークの空間的疎結合性により, 依然として重要な障害となっている。
本研究では,インダクティブ・テンポラル・クリグのための新しいフレームワークであるspatio-Guided Inference Network (SPIN)を提案する。
論文 参考訳（メタデータ） (2025-11-20T03:18:41Z) - Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。
本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。
本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
論文 参考訳（メタデータ） (2025-06-18T11:59:15Z) - Application of Physics-Informed Neural Networks for Solving the Inverse Advection-Diffusion Problem to Localize Pollution Sources [0.26249027950824516]
本稿では,逆対流拡散問題に対する物理情報ニューラルネットワーク(PINN)の適用について検討する。
本研究は,様々な条件下での汚染物質分散動態を正確にモデル化するためのPINNの最適化に焦点をあてる。
論文 参考訳（メタデータ） (2025-03-24T16:27:34Z) - Machine learning-enabled velocity model building with uncertainty quantification [0.41942958779358674]
移動速度モデルの正確な特徴付けは、幅広い物理応用に不可欠である。
従来の速度モデル構築法は強力であるが、逆問題の本質的な複雑さに悩まされることが多い。
本稿では,Diffusion Networkの形で生成モデリングと物理インフォームド・サマリ・統計を統合したスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2024-11-11T01:36:48Z) - A model learning framework for inferring the dynamics of transmission rate depending on exogenous variables for epidemic forecasts [3.3385430106181184]
我々は,透過率の隠れたダイナミクスを再構築するために,新しい科学機械学習フレームワークを定式化した。
本手法は,2010年から2020年までのイタリアにおける気象データ(温度・湿度)とインフルエンザデータに基づいて,合成テストケースと現実テストケースの両方を用いて検証した。
論文 参考訳（メタデータ） (2024-10-15T12:24:55Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z) - Targeted free energy estimation via learned mappings [66.20146549150475]
自由エネルギー摂動 (FEP) は60年以上前にズワンツィヒによって自由エネルギー差を推定する方法として提案された。
FEPは、分布間の十分な重複の必要性という厳しい制限に悩まされている。
目標自由エネルギー摂動(Targeted Free Energy Perturbation)と呼ばれるこの問題を緩和するための1つの戦略は、オーバーラップを増やすために構成空間の高次元マッピングを使用する。
論文 参考訳（メタデータ） (2020-02-12T11:10:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。